-
Die teilnehmende Person hat Kenntnisse in Python (beispielsweise durch den Besuch des Seminars "Python - Grundlagen")
-
Sie kann ein Python Skript öffnen, editieren und in Spyder oder Jupyter Notebook ausführen
-
Sie kann Daten von der Festplatte mit Python einlesen (pandas)
-
Sie kennt normalverteilte Zufallsvariablen (aus der Mathematik) und weiss, was eine Varianz/Standardabweichung und ein Erwartungswert ist
Hier sind Sie richtig, wenn Sie ...
-
mit Python Daten verarbeiten wollen, um Risiken früh zu erkennen (Vorhersagemodelle) oder Evidenzen über Wirkungszusammenhänge zu schaffen (Erklärungsmodelle
-
in der Verwaltung, wo Fehlverhalten durch Antragsteller, Dienstleister o.ä. zu befürchten ist,
-
in der Betreuung der Infrastruktur, wo Prozessstörungen möglich sind,
-
in der Finanzverwaltung, um Kostentreiber zu identifizieren usw.
-
Sie ...
-
lernen den theoretischen Hintergrund der Methoden soweit notwendig kennen.
-
beherrschen die statistische Methode der linearen und logistischen Regression und den Bau von Künstlichen Neuronalen Netzen (KNN),
-
können praktische Probleme mit Hilfe der Python Pakete scikit, statsmodels und PyTorch bearbeiten und Prototypen entwickeln.
-
können konkret: Regressionen schätzen und Multi-Layer-Perceptrons trainieren und danach ausrollen
-
begreifen diese mehrschichtigen KNN als Vorstufe von Bilderkennung, Textverarbeitung, großen Sprachmodellen usw.
-
Lineare Regression (t-Test, F-Test, R², Theorem von Gauss Markov Theorem u.a. inkl. Newey West HAC SE)
-
Matrizen und Tensoren
-
Multilayer-Perceptron (MLP) als Basismodell (Das MLP als verschachtelte Funktion, Universal Approximation Theorem u.a.)
-
Feedforward, Backpropagation, Gradientenabstieg, Varianten davon
-
Tipps fürs Training, Hyperparameter Optimierung, Over-/Underfitting, Spurious Fit, Kausalität
-
Tipps fürs Deployment inkl. MLOps
-
Logistische Regression (Maximum Likelihood, Wald Test, LR, Theorem über ML-Schätzer, Konfusionsmatrix), Abgrenzung Logit/Probit
-
Generative Adversarial Networks (GAN) als Alternative
-
CRISP, Ethische & gesellschaftliche Konsequenzen, EU KI Verordnung
-
Techn. Fallstricke PyTorch, Deep Learning bezogene Trainingstipps
-
Überblick Cloud Lösungen, insbes. Google Colab,
-
Strategische Überlegungen zur KI- und Cloudnutzung - für Unternehmen und das BKA u.a.
-
Stochastische Prozesse, Stationarität, Tests von ADF, PP, KPSS, Werkzeuge wie ACF
-
ARIMA und RNN
-
Das Seminar wird von Prof. Dr. Frank Lehrbass durchgeführt.